A method of multivariate spectral analysis, termed augmented classical
least squares (ACLS), provides an improved CLS calibration model when
unmodeled sources of spectral variation are contained in a calibration
sample set. The ACLS methods use information derived from component or
spectral residuals during the CLS calibration to provide an improved
calibration-augmented CLS model. The ACLS methods are based on CLS so that
they retain the qualitative benefits of CLS, yet they have the flexibility
of PLS and other hybrid techniques in that they can define a prediction
model even with unmodeled sources of spectral variation that are not
explicitly included in the calibration model. The unmodeled sources of
spectral variation may be unknown constituents, constituents with unknown
concentrations, nonlinear responses, non-uniform and correlated errors, or
other sources of spectral variation that are present in the calibration
sample spectra. Also, since the various ACLS methods are based on CLS,
they can incorporate the new prediction-augmented CLS (PACLS) method of
updating the prediction model for new sources of spectral variation
contained in the prediction sample set without having to return to the
calibration process. The ACLS methods can also be applied to alternating
least squares models. The ACLS methods can be applied to all types of
multivariate data.
Μια μέθοδος πολλών μεταβλητών φασματικής ανάλυσης, που καλείται αυξημένο κλασσικό λιγότερα τετράγωνα (ACLS), παρέχει ένα βελτιωμένο πρότυπο βαθμολόγησης CLS όταν οι πηγές φασματικής παραλλαγής περιλαμβάνεται σε ένα σύνολο δειγμάτων βαθμολόγησης. Οι μέθοδοι ACLS χρησιμοποιούν τις πληροφορίες που προέρχονται από το συστατικό ή τα φασματικά υπόλοιπα κατά τη διάρκεια της βαθμολόγησης CLS για να παρέχουν ένα βελτιωμένο βαθμολόγηση-αυξημένο πρότυπο CLS. Οι μέθοδοι ACLS είναι βασισμένες σε CLS έτσι ώστε διατηρούν τα ποιοτικά οφέλη CLS, όμως έχουν την ευελιξία PLS και άλλες υβριδικές τεχνικές δεδομένου ότι μπορούν να καθορίσουν ένα πρότυπο πρόβλεψης ακόμη και με οι πηγές φασματικής παραλλαγής που δεν συμπεριλαμβάνονται ρητά στο πρότυπο βαθμολόγησης. Οι πηγές φασματικής παραλλαγής μπορεί να είναι άγνωστα συστατικά, συστατικά με τις άγνωστες συγκεντρώσεις, μη γραμμικές απαντήσεις, ανομοιόμορφα και συσχετισμένα λάθη, ή άλλες πηγές φασματικής παραλλαγής που είναι παρόντα στα φάσματα δειγμάτων βαθμολόγησης. Επίσης, δεδομένου ότι οι διάφορες μέθοδοι ACLS είναι βασισμένες σε CLS, μπορούν να ενσωματώσουν τη νέα πρόβλεψη-αυξημένη μέθοδο CLS (PACLS) το πρότυπο πρόβλεψης για τις νέες πηγές φασματικής παραλλαγής που περιλαμβάνεται στο δείγμα πρόβλεψης που τίθεται χωρίς να πρέπει να επιστρέψουν στη διαδικασία βαθμολόγησης. Οι μέθοδοι ACLS μπορούν επίσης να εφαρμοστούν στα εναλλασσόμενα πρότυπα λιγότερων τετραγώνων. Οι μέθοδοι ACLS μπορούν να εφαρμοστούν σε όλους τους τύπους πολλών μεταβλητών στοιχείων.